Industri AI sedang menghadapi masalah besar: sumber data pelatihan berkualitas tinggi mulai menipis. Menurut proyeksi Epoch AI, sekitar 300 triliun token data teks publik manusia akan habis digunakan antara tahun 2026 dan 2032 [1]. Kelangkaan ini tidak hanya terjadi pada data berbahasa Inggris, tetapi juga dialami oleh laboratorium AI di China dan negara lainnya [1]. Di sinilah peran sintesis data otonom menjadi semakin krusial.

Memahami Krisis Data Pelatihan AI

Selama ini, model AI canggih dilatih menggunakan data dari internet. Namun, data tersebut tidak terbatas. Selain jumlahnya yang terbatas, data nyata sering kali mengandung informasi sensitif atau mahal untuk dikumpulkan dan diberi label [8][13]. Di Indonesia sendiri, hadirnya Undang-Undang Perlindungan Data Pribadi yang berlaku sejak Oktober 2024 menambah tantangan tersendiri bagi perusahaan yang ingin mengembangkan AI menggunakan data pelanggan [8].

Kondisi ini mendorong munculnya solusi: data sintetis. Data sintetis adalah data yang dihasilkan secara artifisial untuk meniru karakteristik statistik data dunia nyata, namun tanpa mengandung informasi pribadi yang sensitif [13].

Fenomena Sintesis Data Otonom

Sintesis data otonom adalah evolusi dari pembuatan data sintetis biasa. Jika metode awal masih bergantung pada prompt manual atau aturan sederhana (Self-Instruct), pendekatan otonom menggunakan agen AI sebagai "ilmuwan data" yang dapat bekerja secara mandiri [9].

Kerangka kerja seperti Autodata memungkinkan agen AI merancang, menghasilkan, dan menyempurnakan sendiri data pelatihan yang dibutuhkan [5][9]. Proses ini menciptakan closed-loop system: data sintetis yang dihasilkan digunakan untuk melatih model AI, lalu model yang lebih baik tersebut digunakan untuk menghasilkan data sintetis berkualitas lebih tinggi lagi [3].

InfTool: Meningkatkan Akurasi dari 19,8% ke 70,9%

Salah satu contoh nyata dari pendekatan otonom adalah InfTool. Kerangka kerja ini menggunakan tiga agen kolaboratif yang saling mensimulasikan peran — pengguna, asisten, dan server — untuk menghasilkan data penggunaan alat (tool-use) secara mandiri [3]. Hasilnya mencengangkan: model 32B yang dilatih dengan data sintetis dari InfTool berhasil meloncat akurasinya dari 19,8% menjadi 70,9% pada Berkeley Function-Calling Leaderboard (BFCL), bahkan mengalahkan model 10 kali lebih besar [3].

ANDES: Data Sintesis sebagai Keahlian Agen

Pendekatan lain datang dari ANDES (Agent Native Data Evolving Synthesis), yang memperlakukan pembuatan data sebagai sebuah "keahlian" yang dapat dipanggil oleh agen AI kapan saja [12]. Dengan mekanisme World Tree yang terus berevolusi, ANDES memungkinkan agen untuk secara dinamis mengarahkan sintesis data melalui antarmuka interaktif closed-loop, mencapai kinerja terkini pada tolok ukur PostTrainBench [12].

Kekuatan Data Sintetis dalam Angka

Bukti keberhasilan sintesis data otonom tidak hanya datang dari laboratorium penelitian. NTT DATA, perusahaan IT terkemuka asal Jepang, berhasil meningkatkan akurasi model AI pada tugas tanya-jawab hukum dari 15,3% menjadi 79,3% [10]. Mereka hanya menggunakan 450 sampel data awal dan 500 persona sintetis untuk menghasilkan lebih dari 138.000 contoh pelatihan — set 300 kali lebih besar dari data manual awal [10]. Peningkatan ini dicapai tanpa mengekspos data sensitif perusahaan [10].

Di sektor kesehatan dan keuangan, laporan dari IBM menunjukkan bahwa model AI yang dilatih dengan data sintetis yang tervalidasi mencapai 90-95% kinerja model yang dilatih dengan data nyata, sekaligus mengurangi biaya akuisisi data hingga 60-80% [2].

Perdebatan di Balik Layar: Apakah Ini Jalan yang Tepat?

Meski hasilnya mengesankan, tidak semua pakar AI sepakat dengan arah ini. Richard Sutton, peraih Turing Award 2024 yang juga penulis esai The Bitter Lesson, menyebut langkah industri beralih ke data sintetis sebagai "kesalahan besar" [1].

Menurut Sutton, ada dua masalah utama [1]:

  1. Dunia terlalu kompleks — Simulasi apapun tentang dunia fisik atau pikiran manusia akan selalu menjadi versi yang "kecil" dan tidak sempurna dari realitas.
  2. Keputusan manusia terselip di balik layar — Seseorang tetap harus memutuskan data sintetis apa yang akan dihasilkan, dan keputusan ini menyelundupkan penilaian manusia ke dalam proses yang seharusnya otonom.

Sebagai gantinya, Sutton mengusulkan pendekatan data pengalaman (experiential data), di mana AI belajar langsung dari interaksi dengan lingkungannya, bukan dari data buatan [1].

Namun, laboratorium AI besar seperti Microsoft dan Nvidia sudah bergerak lebih dulu. Phi-4 dari Microsoft dilatih dengan sekitar 400 miliar token sintetis dari 50 jenis dataset, sementara Nvidia merilis korpus pelatihan sintetis sekitar 10 triliun token untuk model Nemotron mereka [1].

Relevansi untuk Indonesia

Bagi Indonesia, sintesis data otonom membuka peluang besar. Negara dengan populasi besar dan keanekaragaman budaya seperti Indonesia memiliki kebutuhan akan model AI yang memahami konteks lokal. Namun, data berbahasa Indonesia yang berkualitas untuk pelatihan AI masih terbatas [4][10].

Untungnya, sudah ada inisiatif seperti dataset BerkahKarya yang menyediakan 628 pasang instruksi-respons sintetis berbahasa Indonesia untuk fine-tuning model AI di bidang bisnis, keuangan, dan pemasaran [4]. Pendekatan ini bisa menjadi model bagi pengembangan AI lokal lainnya.

Mengoptimalkan Kualitas Data Sintetis

Kunci utama sintesis data otonom bukanlah kuantitas, melainkan kualitas dan keragaman. Penelitian tentang Clear2Fog untuk kendaraan otonom menunjukkan bahwa keragaman lingkungan dalam data sintetis lebih penting daripada sekadar jumlah data mentah [6].

Google melalui kerangka Simula juga menekankan pentingnya pendekatan berbasis penalaran untuk mengontrol tiga dimensi utama data: cakupan, kompleksitas, dan kualitas [7][14]. Pendekatan ini memungkinkan pembuatan dataset yang tidak hanya besar, tetapi juga mencakup kasus-kasus langka (edge cases) yang sering terlewat dalam data nyata [7].

Tantangan yang Harus Diwaspadai

Meskipun menjanjikan, sintesis data otonom bukan tanpa risiko. Model collapse adalah fenomena di mana model yang dilatih secara rekursif dengan data hasil generasinya sendiri mengalami degradasi kualitas [1]. Sebuah studi di jurnal Nature mengonfirmasi risiko ini [1]. Namun, penelitian lain menunjukkan bahwa collapse hanya terjadi jika data sintetis sepenuhnya menggantikan data manusia; jika keduanya digunakan bersama-sama, masalah ini tidak muncul [1].

Faktor lain yang perlu diperhatikan adalah biaya komputasi. Meskipun biaya akuisisi data turun, proses sintesis otonom membutuhkan daya komputasi yang signifikan. Kerangka kerja seperti ANDES dan Autodata dirancang untuk mengoptimalkan keseimbangan antara biaya komputasi dan kualitas data [9][12].

Masa Depan Sintesis Data Otonom

Ke depan, sintesis data otonom akan semakin terintegrasi dalam siklus pengembangan AI. Tren yang terlihat adalah [3][5][9]:

  • Multi-agen kolaboratif: Berbagai agen AI dengan peran spesifik bekerja sama untuk menghasilkan dan memvalidasi data.
  • Pembelajaran penguatan: Menggunakan umpan balik dari model untuk terus meningkatkan kualitas data yang dihasilkan.
  • Privasi bawaan: Data sintetis dirancang secara fundamental untuk memenuhi regulasi privasi.
  • Efisiensi komputasi: Menghasilkan data berkualitas tinggi dengan sumber daya terbatas.

Sutton sendiri, meskipun skeptis dengan data sintetis untuk mensimulasikan pikiran manusia, justru sedang membangun laboratorium dengan ambisi menciptakan "pikiran" AI 1 triliun parameter yang terus belajar dengan daya hanya 20 watt, dalam 5-10 tahun ke depan [1]. Ini menunjukkan bahwa perdebatan bukanlah tentang apakah sintesis data diperlukan, tetapi bagaimana seharusnya dilakukan.

Sintesis data otonom bukan sekadar solusi instan untuk kelangkaan data. Ini adalah pergeseran paradigma dalam cara kita membangun kecerdasan buatan — dari model yang pasif menyerap data statis, menuju sistem yang aktif menciptakan pengalaman belajarnya sendiri.

Referensi

  1. A Turing Award winner says the industry’s fix for running out of data is ‘a big mistake’
  2. From Data Scarcity to Abundance: Scaling Model Training with LLM-Orchestrated Synthetic Data Pipelines
  3. InfTool: Autonomous Data Synthesis for Tool-Use
  4. README.md · oyi77/berkahkarya-id-finance-dataset at main
  5. Autodata: An agentic data scientist to create high quality synthetic data - License: arXiv
  6. Mengatasi Kabut Data: Efisiensi Pelatihan AI untuk Kendaraan Otonom dengan Clear2Fog - Mengatasi Kabut Data: Efisiensi Pelatihan AI untuk Kendaraan Otonom dengan Clear2Fog
  7. Designing synthetic datasets for the real world: Mechanism design and reasoning from first principles
  8. Cloudera: Mengapa Data Sintetis Penting bagi Bisnis AI di Indonesia? | Info Komputer
  9. Autodata: An agentic data scientist to create high quality synthetic data
  10. From Scarcity to Scale: How Synthetic Personas Can Bootstrap Japanese AI Development - From Scarcity to Scale: How Synthetic Personas Can Bootstrap Japanese AI Development
  11. ANDES: Agent Native Data Evolving Synthesis Tool for Autonomous Instruction Alignment | Kurate.org
  12. Mempercepat Pelatihan Model dengan Data Sintetik - F5 Indonesia
  13. Reasoning-Driven Synthetic Data Generation and Evaluation
sintesis data otonomkelangkaan data AIdata sintetispelatihan model AIAI Indonesia